Imagegen Scene Ppt

Codex PPT Skill

本文件是给 Codex 执行用的路由和操作规程。面向用户的项目说明、效果图和安装命令见 README.md。

先判断输入来源和最终目标：

1. 新做 PPT 汇报：先走整页生图 PPT，生成图片型 PPTX / PDF / PNG。
2. 已有图片页、截图页、旧 PPT 渲染页，或整页生图页：再根据目标进入拆解。
3. 要 PowerPoint 内继续改字、移元素、换图标：走元素重组。
4. 只要 SVG、网页/文档复用，或低成本看结构：走 SVG 拆解。

路径可以串联：先用整页生图 PPT 形成视觉页；如果后续需要编辑或复用，再把单页 PNG 交给元素重组或 SVG 拆解继续处理。只要目标是可编辑 PPTX，默认优先元素重组；SVG 拆解不是默认的 PPT 可编辑路线。

路由判断

先问或确认这四件事：

• 最终交付：PPTX / PDF / PNG / SVG / 可编辑 PPTX。
• 是否需要后续编辑：不编辑、少量替换、还是对象级编辑。
• 输入材料：文档、旧 PPT、截图、图片页、整页生图页、参考模板。
• 质量优先级：视觉观感、可编辑性、速度、token 成本、结构复用。

直接选择：

• 用户要新做汇报、方案页或展示页：先选择 整页生图 PPT。
• 用户已有图片页，且明确要可编辑 PPTX、PowerPoint 内改字、移动元素、替换图标、元素化重建或图片页转可编辑：强制选择 元素重组。
• 用户已有图片页，且明确要 SVG、网页/文档复用，或明确接受低成本结构样板：选择 SVG 拆解。
• 用户既想先看效果又可能后续编辑：先生成图片型 PPT；确认后再把页图作为拆解输入。

成本提示：元素重组通常更耗时、token 更高，但 PPTX 可编辑性更强；SVG 拆解通常更快更省，但复杂视觉会被简化，导入 PowerPoint 后不承诺对象级稳定可编辑。

如果用户目标是可编辑 PPTX，但当前时间、token、图像生成能力或资产素材不足以完成元素重组，必须明确说明只能交付降级草稿或改走 SVG 结构预览；不要自动把 SVG 拆解、原生形状重画或通用图标拼装称为元素重组完成。

不适配时直接说明原因，并建议改用原生可编辑 PPT、数据报表、文档或设计工具流程。

路径 A：整页生图 PPT

适合单点沟通、重视觉、接受图片化交付的材料，例如方案汇报、售前交流、内部同步、培训讲解、复盘展示。

执行步骤：

1. 澄清使用场景、受众、页数、详略、风格、模板、Logo、输出格式和禁止内容。
2. 读取用户材料，生成逐页大纲：标题、页面目标、2-4 条核心信息。
3. 按 references/prompt-patterns.md 写逐页详细生图提示词。
4. 调用 imagegen 生成 16:9 整页图。中文少而大，避免密集表格和小字号脚注。
5. 真实 Logo、二维码、印章、品牌标识只做后处理叠加，不交给 imagegen 生成。
6. 用 scripts/package_image_deck.py 或 make pack 封装 PPTX，可选导出 PDF、每页 PNG 和 contact sheet。
7. 检查页数、尺寸、文字可读性、Logo 位置、伪 Logo、敏感信息和明显错字。

默认交付：

• 图片型 PPTX
• PDF 或每页 PNG，按用户要求
• contact sheet
• 逐页提示词和 QA 记录

边界：图片型 PPT 不等于可编辑 PPT。正文、图表和版式在图片里，不能承诺 PowerPoint 内逐字逐对象编辑。

路径 B：元素重组

适合用户已经有图片页、截图页、图片型 PPT，或路径 A 生成的页图，并且希望重建为实用级可编辑 PPTX。

路径 B 是参考图驱动的语义资产重组，不是 SVG 反编译，也不是只用 PPT 原生形状画一张可编辑草稿。

核心判断：

• 文本、标题、卡片、容器、分隔线、普通结构箭头：优先做 PPT 原生对象。
• 图标、徽章、3D 装饰、复杂箭头、插画、设备图、UI 装饰：必须用 Codex 的 imagegen 技能生成独立透明资产。
• 原图、截图、硬裁 crop 只能作为参考和中间素材，不能作为最终整页背景或带残边的最终对象。
• 生产级元素重组默认只接受 imagegen_asset。api_generated_asset 仅在用户明确指定外部图像 API 时使用；provided_asset 只用于用户已提供素材、合规素材库或明确标注的 synthetic/demo 试跑。
• 只有在资产有合规来源记录，并且一语义单元一透明 PNG 插入 PPT 后，才算元素重组资产；不能把程序化近似图标、通用图标库、原图 crop 或提示词占位图当成正式元素重组资产。

完整跑触发规则：

• 用户说“完整跑”“正式跑”“完整 imagegen 元素重组”“不要试跑版”“不要 provided_asset”“高保真元素拆解”等表达时，必须进入完整元素重组模式。
• 完整元素重组模式下，所有语义视觉资产必须通过 Codex imagegen 基于整页参考图 + 局部 crop/residual crop 生成，并在 asset_manifest.json 中标记为 imagegen_asset。
• 完整元素重组模式下，禁止静默降级为 provided_asset、程序画图、SVG 重画、图标库拼装或原图 crop。若 imagegen 调用失败、资产不合格、切图失败或无法继续，直接报告阻塞点、已完成文件和下一步，不要把降级版说成完整完成。
• 如果用户只是说“试试”“验证链路”“跑通工具链”“先看结构”，可以交付明确标注的结构预览或 synthetic demo；报告里必须写清它不是完整 imagegen 元素重组。

图片生成硬规则：

• 所有涉及图片生成、视觉资产生成、透明资产生成的步骤，默认且优先使用 Codex 的 imagegen 技能；不要用 LibreOffice、SVG 重画、程序画图、图标库拼装或其他渲染工具冒充生图。
• api_generated_asset 只保留为兼容字段，除非用户明确要求指定外部 API，否则不要主动选择。
• provided_asset 只适合用户已提供的合规素材、明确授权素材库或 synthetic demo；不能把程序化图标、通用图标库或原图硬裁片当作生产级视觉复刻资产。
• LibreOffice / PowerPoint / soffice 这类工具只能用于把已生成的 PPTX 渲染成 PDF/PNG 做验收预览，不能用于生成图片资产。使用时要明确标记为“渲染 QA”，不是“图片生成”。
• 大尺寸中心视觉、跨格 3D 元素、复杂箭头、装饰性底座和高风险关键资产必须单独调用 imagegen 生成；不要塞进一个大 asset grid 再等分切。

执行步骤采用 v4/v5 验证过的生产链路：

1. 建立项目目录，保存参考图为 reference_page_*.png。
2. 建立 visual_inventory.json，按文本、容器、图标、箭头、装饰、3D 元素等对象做页面清单。
3. 建立 asset_anchors.json 和 layout_rules.json，记录每个待生成资产的 bbox、含义、目标尺寸、层级、字体策略、禁用媒体和 diff 阈值。
4. 为资产写 prompts/assets_cycle_*.jsonl 或 prompt pack。每条 prompt 必须绑定整页 reference 和相关 crop/residual crop，明确对象顺序、grid 行列、纯色背景、无文字、无数字、无标签、无水印、无卡片框、无周边页面碎片；完整元素重组时必须实际调用 Codex imagegen 生成独立资产或 isolated asset grid。小图标可以成组生成；中心大视觉和复杂元素必须单独生成。
5. 用 scripts/grid_cut.py 或 make cut 从合格 generated grid 切成一个元素一个透明 PNG，并生成 asset_manifest.json。如果切出的资产贴边、被截断、带绿边、含相邻元素，必须废弃并重新用 imagegen 单独生成。
6. 必要时用 scripts/clean_assets.py 清理透明边缘、小碎片和残留底色。不能把带残字、残框、硬边的 crop 直接插入 PPT。
7. 用 scripts/validate_semantic_inputs.py 或 make semantic-preflight 做 build 前校验，确认 inventory、manifest、anchors 和资产文件对齐。
8. 用 scripts/build_semantic_deck.py 从 visual_inventory.json 和 asset_manifest.json 构建 PPTX：文本、卡片、容器和结构走 PPT 原生对象；图标、箭头和装饰元素走独立透明资产。构建时必须输出 build_report.json，其中包含每个文本框的原始字号、自动适配后字号、估算溢出比例、bbox、父容器、z-index 和图片 fit 结果。
9. 渲染 PPTX，再用 scripts/compare_render.py 或 make compare 输出 contact sheet / diff heatmap。
10. 用 scripts/validate_semantic_deck.py 或 make validate 检查没有整页原图、参考图 hash、SVG 和不合规媒体，并传入 --build-report 做文字适配、碰撞检测和布局 QA。
11. 如果出现标题断行、文字溢出、文本互相覆盖、文字压住非装饰图片，先调 visual_inventory.json 的 bbox/role/parent_id/fit_mode，或调整 layout_rules.json 的字体策略，再重建、重渲染、重对比。不能只看 PPTX 对象数就宣布完成。